智能移动设备和4G技术的普及,给大众点评、口碑等大规模基于位置社交网络(LBSN,Location Based Social Network)的应用带来巨大的发展空间。同时随着城市的快速发展,兴趣点(POI,Point-of-Interest)的数量也相应增长。人们逐渐习惯通过基于位置社交网络的应用来发现、访问并评价兴趣点。基于应用平台积累了大量的位置社交网络数据和渴望不断改善用户体验的需求,个性化的兴趣点推荐系统逐渐引起了工业界和学术界的关注。但兴趣点推荐面临一些新的问题:如何综合利用用户偏好、地理位置、社交网络和其他上下文信息,如何解决用户签到数据的稀疏性问题,如何处理隐式的用户反馈等。针对这些挑战,本文利用考虑用户线下交互行为的社交关系实现签到矩阵填充,缓解数据稀疏性;改进地理位置影响建模,整合多样化数据信息,提出考虑线下交互的兴趣点推荐模型,提高推荐效果;对于模型中的用户偏好,分别提出内嵌分类的加权矩阵分解算法和基于排序的算法来学习。具体内容如下:(1)通过对用户社交网络的分析,提出利用考虑线下交互的社交关系实现签到矩阵的填充,通过朋友与用户的相似偏好,缓解数据稀疏性问题。在两个真实数据集进行的实验表明,矩阵填充有助于提高推荐性能。(2)基于位置社交网络中地理位置影响的重要性,将地理位置影响建模为关于不同用户个性化的非参数分布,通过使用自适应核密度估计的方法,提高对用户访问兴趣点地理分布评估的能力。基于位置社交网络数据异构性的特点,在利用社交关系实现矩阵填充的基础上,综合考虑用户偏好、兴趣点分类和地理位置的影响,提出考虑线下交互的兴趣点推荐模型。(3)基于位置社交网络中隐式的用户反馈,把用户对兴趣点的签到次数看作用户对兴趣点喜欢的置信度,提出考虑线下交互的加权矩阵分解兴趣点推荐算法,并通过交替最小二乘法优化学习;为了提升学习过程中对签到数据负样本的利用,同时避免学习评分矩阵过程中因平方误差出现的预测偏差,提出考虑线下交互基于排序的兴趣点推荐算法,并通过随机梯度下降算法优化学习。在两个真实数据集进行的实验结果表明,本文提出的方法提高并改善了兴趣点推荐效果,对基于位置社交网络的应用具有重要实际意义。